基于第四方物流平臺的快遞末端網點優化整合?

劉聰娜，周騫，何風

（1.長沙理工大學交通運輸工程學院，湖南長沙 410004；2.長沙理工大學汽車與機械工程學院，湖南長沙 410004）

?

基于第四方物流平臺的快遞末端網點優化整合?

劉聰娜1，周騫1，何風2

（1.長沙理工大學交通運輸工程學院，湖南長沙 410004；2.長沙理工大學汽車與機械工程學院，湖南長沙 410004）

摘要：伴隨著電子商務的高速發展，中國快遞行業的發展勢頭十足，但長期以來，快遞末端配送存在著服務水平低、管理混亂、資源浪費、專業化程度低等問題。文中借力第四方物流，運用第四方物流平臺并通過建立共同配送中心整合快遞末端配送資源，建立了末端網點優化整合模型；以3家快遞企業為研究對象進行優化整合，結果表明該模型能起到很好的優化整合效果。

關鍵詞：物流；第四方物流平臺；共同配送；優化整合；快遞末端網點；免疫遺傳算法

隨著電子商務的蓬勃發展，中國快遞業進入高速發展階段，據統計，快遞業的業務量從2005年的8.658億件迅速發展到2014年的136.9億件，收入也由2005年的239.7億元一躍發展到2014年的2 045.4億元，發展速度驚人。但快遞企業服務沒能跟上，客戶忠誠度不高，多家快遞企業末端存在重復設置網點、車輛滿載率不高、管理難度大、丟件和損件問題多、競爭力不足等問題，急需優化整合末端網點以提高服務水平，實現規模化，提高效率。

國內外針對快遞行業存在的問題紛紛提出解決方案：張昕對比分析了整合快遞配送的幾種方法，指出這些方法都無法有效解決問題，而采用第三方物流平臺整合快遞末端配送實現規模經濟可保證專業化服務，清晰成本分攤和收益分享；成玫穎提出了快遞配送末端整合模式，重點研究了快遞末端整合的收益分配問題，通過對比分析stackelberg博弈求解分散決策時固定付費、收入共享、服務水平補償、收益共享與成本共擔等4種收益分配方案，尋找系統最滿意的分配方案；季宬等以大學城為研究對象，通過建立共同配送中心，進行實際數據的密度、成本和選址分析，并對南京大學建立末端共同配送中心提出了參考性建議；張永昕重點研究了兼并重組整合方式下基礎物流網絡優化問題，設計了快遞基礎設施網絡優化整合模型，采用遺傳算法進行模型求解；Kofi Q.Dadzie等認為企業通過整合雙方的物流和渠道管理表現出強大的市場競爭力和更高的財務業績，在企業競爭中應持續加強對供應鏈資源的整合力度；張露方等分析了電子商務末端配送中的癥結，提出了將共同配送方式的理念應用到電子商務末端的策略；鐘耀廣描述了東莞電子商務城市末端配送的現狀，總結了末端配送面臨的問題并給出了末端配送優化策略。以上研究部分是針對快遞末端優化整合的收益分析，部分則是定性給出了優化整合策略。該文基于第四方物流平臺對快遞末端網點進行優化整合，建立末端網點優化整合模型。

1　快遞末端網點優化整合問題描述

基于第四方物流平臺的快遞末端網點優化整合，就是快遞企業與第四方物流合作，借助第四方物流平臺實現快遞末端配送資源整合。一般而言，第四方物流有協同運作模式、方案集成商模式和行業創新者模型3種運作模式。第四方物流平臺就是整合和管理所有信息、資源和技術以提供一致性的服務，達到資源整合、提高快遞服務水平、減少成本的目的。第四方物流平臺的業務流程可概括為會員注冊流程、信息發布、訂單提交和處理、合同簽訂和合同執行、金融結算。在利用第四方物流平臺的基礎上，在快遞分撥中心和末端網點間建立共同配送中心，為多家快遞企業共同配貨至末端網點，同時將各末端網點從各客戶聚集點的集貨共同運輸至配送中心，提高末端配送效率，減少成本（如圖1所示）。

目前，中國快遞企業數量眾多，規模參差不齊。這里選取某區域甲、乙、丙3家快遞企業為研究對象，對其現有末端網點進行重新優化整合，即從3家公司現有末端網點中選擇恰當的網點予以保留并確定網點數目和位置。保留的末端網點需考慮其運營成本，不僅需用數目最少的網點滿足顧客聚集點的需求，還要保證運營費用和配送中心到網點的運輸費用及顧客聚集點到達這些末端網點的運輸費用的總和最小。

圖1　基于第四方物流平臺的共同配送示意圖

2　數學模型構建

2.1末端網點優化整合問題假設

（1）由于建設有共同配送中心對3家企業的快件進行共同配送，對3家快遞公司現有末端網點進行優化整合時，可以把3家公司在某一范圍的全部末端網點看作一個整體進行優化，不因所屬公司不同而區別對待。3家快遞公司的末端網點分布如圖2所示。

圖2　3家快遞公司末端網點分布示意圖

（2）保留一個末端網點需要一定的運營費用，盡量用最少的網點去覆蓋所有需求點。

（3）假定所有末端網點有最大的服務半徑，超過這個范圍，顧客聚集點就不在該末端網點的服務范圍內。

（4）顧客群聚集點到末端網點的運輸單價用兩點的距離表示。

（5）當顧客聚集點在多個末端網點的服務半徑內時，可將這些客戶集中點的業務分配到多個末端網點處理。業務的分配需綜合考慮末端網點到顧客聚集點間的距離和末端網點自身的服務能力。

2.2模型建立

選取某區域3家快遞企業為研究對象，并簡化快遞企業的運作流程，在滿足顧客需求及系統成本最小的目標下優化快遞末端網點，確定所要保留末端網點的數目和位置。

約束條件如下：

式（1）保證保留的末端網點運營固定成本、配送中心到網點的運輸費用與各網點到客戶群聚集點的運輸成本之和最??；式（2）表示客戶聚集點j的業務量被分配到各個末端網點的業務量之和等于該客戶聚集點j的總業務量；式（3）表示從配送中心發往網點i的貨物量與從顧客群聚集點j發往網點i的貨物量之和小于網點i的最大容量；式（4）表示該變量是二進制變量；式（5）表示這些變量為非負變量。

3　模型求解

免疫遺傳算法是一種基于生物進化免疫機制的改進的遺傳算法，以待求解模型的目標函數來表示免疫遺傳算法中的抗原，免疫系統生成的抗體即可表示為對應模型的解，抗原與抗體間的親和力值表示可行解與最優解的接近程度。

假設免疫系統由N個抗體組成，采用二進制即0～1編碼的方法，每個抗體基因長度為M，抗體基因如圖3所示。

圖3　抗體基因示意圖

算法實現步驟（如圖4所示）如下：

（1）抗原輸入。輸入快遞末端網點優化整合模型的目標函數及相應約束條件。

（2）初始抗體的生成。當免疫系統首次遇到抗原并作出相應免疫應答后，初始群體隨機生成。在免疫系統第二次遇到抗原并作出應答時，免疫機制開啟記憶功能，使部分初始抗體能從記憶細胞中獲得記憶功能，由于抗體在記憶細胞中有更高的適應度值，從而有效加快算法的收斂速度。

（3）計算抗體適應度函數及親和度。適應度函數用來表示群體中各抗體在優化中與最優解的接近程度，其值越大則越接近最優解。因該模型目標函數是求解成本的最小值，故需將目標函數與適應度函數進行變換，變換方式見式（6）。抗原和抗體間的親和度越高，則抗體質量越好且與最優解越接近。這里的親和度為適應度函數的值。

式中：f（x）為適應度函數；Gf（x）為目標函數。

（4）記憶細胞更新。通過篩選出與抗原親和度最高的抗體并用該抗體取代記憶細胞中的原有抗體，完成記憶細胞更新。

（5）抗體生成的促進和抑制。在搜尋最優解過程中，若種群中抗體濃度過大，會造成求解過程過于緩慢，導致算法過早收斂。因此，需限制抗體濃度。按式（7）計算抗體濃度De，并從中找出濃度較大的個體，記為個體1，2，…，t。t個個體的濃度概率pd按式（8）計算，其他N-t個個體的濃度概率pd按式（9）計算。運用改進輪盤賭選擇法計算t個個體的適應度概率pf，適應度概率pf和濃度概率pd通過加權計算即得到個體的選擇概率p［見式（10）］。個體適應度值越大則其被選擇的概率越大，個體濃度越大則其被選擇概率越小。

式中：λ為相似度常數，0.9≤λ≤1。

式中：a為親和系數，a＞0；pf＜1；pd＜1。

（6）群體更新。免疫遺傳算法與遺傳算法中的交叉操作和變異操作方法相同，即隨機挑出2個抗體按設定的變異概率進行變異，再進行交叉。重復執行步驟3～6，直到符合算法的終止條件。

（7）終止條件判斷。當所設定的參數滿足算法終止條件時，算法結束并輸出最優解；否則，轉向步驟3。

圖4　免疫遺傳算法流程

4　構造算例

某區域有甲、乙、丙3家快遞企業與第四方物流進行合作，建立共同配送中心提供配送服務并分別對末端網點統一配送，配送中心坐標為（2 800，2 500）m，下面運用上述模型對末端網點進行優化整合，減少成本。3家快遞企業現有末端網點信息如表1所示，顧客聚集群信息如表2所示，現有末端網點及顧客聚集點的分布位置如圖5所示。

將初始群體規模取為50，采用二進制即0～1編碼方法對待整合的末端網點進行編碼設計，其中“0”表示該站點未被選中，“1”表示該站點被選中，最后結果全部為1的即為要保留的末端網點。免疫遺傳算法的優化參數如表3所示。

表1　現有末端網點信息

表2　顧客聚集群信息

運用MATLAB實現算法設計，計算結果如表4所示。

由表4可以看出：最優方案是使用7個網點，此時最小成本為2.995 1×109元；可保留的末端網點為w1、w2、w4、w5、w8、w10、w11（如圖6所示）。

圖5　現有末端網點及顧客聚集點的分布位置

表3　免疫遺傳算法的參數

表4　模型計算結果

圖6　保留的末端網點

5　結論

該文通過對第四方物流平臺和共同配送的研究，結合快遞末端網點優化整合方法，構建了基于第四方物流平臺及共同配送模式的快遞末端網點優化整合模型；以3家快遞企業為研究對象，在滿足顧客需求與系統成本最小的目標下優化整合末端網點，確定所需保留末端網點的數目及位置，提升快遞服務水平，提高運作效率，有效整合快遞資源。

該模型對運輸費用的計算簡化為兩點之間的距離，而在實際中，不同的運輸方式所需成本存在很大差異，即便是同一種運輸方式，在不一樣的規模條件下運輸成本也不盡相同。因此，需進一步研究不同運輸方式及同一運輸方式不同規模運輸成本對快遞末端網點優化整合的影響。

參考文獻：

［1］ 張昕.末端共同配送模式及決策路徑［J］.經濟問題研究，2013（3）.

［2］ 成玫穎.基于服務供應鏈的快遞末端整合收益分配研究［D］.北京：北京交通大學，2012.

［3］ 季宬，牛孟藝，劉威志，等.大學城社區共同配送中心的配置模型［J］.中國商貿，2013，11（4）.

［4］ 張永昕.整合模式下的快遞物流網絡優化［D］.北京：北京交通大學，2015.

［5］ Kofi Q Dadzie，Evelyn Winston，Robert Hinson.Competing with marketing channels and logistics in africa′s booming markets：an investigation of emerging supply chain management practices in ghana［J］.Journal of Marketing Channels，2015，22（2）.

［6］ 張露方，徐杰.共同配送模式在城市電子商務末端的應用探析［J］.物流科技，2013，36（6）.

［7］ 鐘耀廣.電子商務城市末端配送問題與對策研究：以東莞為例［J］.物流技術，2015，34（5）.

［8］ 趙志敏.利用第四方物流平臺整合快遞服務資源研究［D］.北京：北京郵電大學，2012.

［9］ 張儉.快遞業進入整合重組時代［J］.中國物流與采購，2012（7）.

［10］ 王瓊，呂微，任偉建.免疫遺傳算法及在優化問題中的應用綜述［J］.計算機應用研究，2009，26（12）.

［11］ 馬永杰，云文霞.遺傳算法研究進展［J］.計算機應用研究，2012，29（4）.

［12］ Afshin Mehrsai，Hamid-Reza Karimi，Klaus-Dieter Thoben，et al.Using metaheuristic and fuzzy system for the optimization of material pull in a push-pull flow logistics network［J］.Mathematical Problems in Engineering，2013，2013.

［13］ 蔣尚亭.基于免疫遺傳算法的高校運動會賽程編排問題研究與實現［J］.合肥學院學報：自然科學版，2014，24（1）.

參數設置：A為需要優化整合的末端網點集，i ∈A，共I個；B為顧客群聚集點的集合，j∈B，共J個；Ui為保留網點i所需固定運營成本；Fi為第i個末端網點所能接受的最大業務量；Fj為第j個客戶聚集點的業務量；Fo，i為從配送中心到網點i的貨運量；Fi，o為從網點i到配送中心的貨運量；Fi，j為從網點i到顧客聚集點j的貨運量；Fj，i為從顧客聚集點j到網點i的貨運量；Co，i為從配送中心到網點i的單位貨物量的成本，用兩點間的距離簡化表示；Ci，o為從網點i到配送中心的單位貨物量的成本，用兩點間的距離簡化表示；Ci，j為從網點i到顧客群聚集點j的單位貨物量的成本，用兩點間的距離簡化表示；Cj，i為從顧客群聚集點j到網點i的單位貨物量的成本，用兩點間的距離簡化表示；

目標函數為：

中圖分類號：U492.3

文獻標志碼：A

文章編號：1671-2668（2016）03-0079-05

基金項目：?湖南省交通科技項目（201148）

收稿日期：2016-02-16